Visão Geral

Row

Total Exportações Brasil

US$ 146.41 bi

Total Importações Brasil

US$ 78.34 bi

Saldo Comercial

US$ 68.07 bi

Produção Brasil (Mt/ano)

33.5 Mt

Row

Gráfico 1: Evolução do Comércio de Aço do Brasil

Row

Gráfico 2: Top Parceiros por Volume Total

Gráfico 3: Impacto - Pré vs Pós Guerra Comercial

Mapa Interativo

Row

Sobre o Mapa

O mapa mostra os fluxos comerciais de aço do Brasil (2016-2024). Tamanho dos círculos = volume de comércio. Azul = superávit do Brasil, Vermelho = déficit. Clique nos marcadores para detalhes.

Row

Mapa de Fluxos Comerciais do Brasil

Análise Detalhada

Row

Tabela Interativa: Fluxos Comerciais por País e Produto

Conclusões

Row

Principais Conclusões

Contexto

Este dashboard analisa o comércio brasileiro de produtos siderúrgicos (HS 72 - Ferro e Aço básicos, e HS 73 - Obras de Ferro e Aço manufaturados) no período 2016-2024, abrangendo o período anterior e posterior à guerra comercial EUA-China iniciada em março de 2018.

A análise utiliza dados desagregados em nível HS 4-dígitos de 10 países que representam aproximadamente 75% do comércio mundial de aço.


Estrutura do Dashboard

  • 4 Value Boxes: Indicadores-chave do comércio brasileiro
  • 3 Gráficos Interativos: Evolução temporal, principais parceiros comerciais, e impacto quantitativo
  • 1 Mapa Interativo: Visualização geográfica dos fluxos comerciais
  • 1 Tabela Dinâmica: Dados detalhados por país e produto com filtros

Principais Achados

  1. Impacto Quantitativo da Guerra Comercial:
    • Exportações: Aumento de 52.7% após 2018, impulsionado pelo acordo de cotas com os EUA
    • Importações: Aumento de 52.5% após 2018, principalmente devido ao desvio de comércio chinês
  2. Principais Fluxos Bilaterais:
    • Brasil → EUA: Principal destino das exportações brasileiras de aço
    • China → Brasil: Principal origem das importações, com crescimento expressivo pós-2018
  3. Decomposição Quantidade-Preço:
    • Aproximadamente 90-92% do aumento representa volume físico real
    • Apenas 8-10% é explicado por variação de preços (inflação)
  4. Composição por Produto:
    • Produtos básicos (HS 72) dominam as exportações brasileiras
    • Produtos manufaturados (HS 73) têm maior participação nas importações
  5. Posição do Brasil:
    • 9º maior produtor mundial de aço
    • Produção média de ~33 milhões de toneladas/ano
    • Representa cerca de 1.8% da produção mundial

Evidência de Trade Diversion

O dashboard mostra claramente dois mecanismos de desvio de comércio (trade diversion):

  • Trade creation: Brasil aumentou exportações para EUA após tarifas sobre China
  • Trade deflection: China redirecionou exportações bloqueadas nos EUA para mercados alternativos, incluindo Brasil

Fontes de Dados

  • UN COMTRADE: Fluxos bilaterais de comércio - dados desagregados HS 4-dígitos
    Acesso: https://comtradeplus.un.org/ (consultado em outubro de 2025)

  • World Steel Association: Produção de aço por país (2016-2024)
    Acesso: https://worldsteel.org/ (consultado em outubro de 2025)

  • CEPII GeoDist: Coordenadas geográficas das capitais e distâncias bilaterais
    Acesso: https://www.cepii.fr/CEPII/en/bdd_modele/bdd_modele_item.asp?id=41 (consultado em setembro de 2025)


  • Referências Acadêmicas

    • Amiti, M., Redding, S. J., & Weinstein, D. E. (2019). The Impact of the 2018 Tariffs on Prices and Welfare. Journal of Economic Perspectives, 33(4), 187-210.

    • Fajgelbaum, P. D., Goldberg, P. K., Kennedy, P. J., & Khandelwal, A. K. (2020). The Return to Protectionism. Quarterly Journal of Economics, 135(1), 1-55.


    ---
    title: "Comércio Brasileiro de Aço: Uma Análise Visual (2016-2024)"
    author: "Julia Teixeira"
    output: 
      flexdashboard::flex_dashboard:
        orientation: rows
        vertical_layout: fill
        theme: flatly
        source_code: embed
    ---
    
    ```{r setup, include=FALSE}
    # Pacotes necessários
    library(flexdashboard)
    library(tidyverse)
    library(readxl)
    library(plotly)
    library(DT)
    library(leaflet)
    library(scales)
    
    # Configuração
    options(scipen = 999)
    knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
    
    base_dir <- "C:\\Users\\julia\\OneDrive\\Documentos\\FGV\\TCC 2"
    
    # Países da amostra
    sample_iso <- c("BRA", "CHN", "USA", "MEX", "CAN", "KOR", "DEU", "TUR", "JPN", "IND")
    
    # Nomes dos países
    country_names <- c(
     "BRA" = "Brasil", "CHN" = "China", "USA" = "Estados Unidos",
     "MEX" = "México", "CAN" = "Canadá", "KOR" = "Coreia do Sul",
     "DEU" = "Alemanha", "TUR" = "Turquia", "JPN" = "Japão", "IND" = "Índia"
    )
    
    geo_cepii_path <- file.path(base_dir, "geo_cepii.xls")
    
    
    # Carregar dados geográficos do CEPII
    geo_cepii <- read_excel(geo_cepii_path)
      
    # Filtrar países da amostra (apenas capitais: cap == 1)
    country_coords <- geo_cepii %>%
      filter(iso3 %in% sample_iso, cap == 1) %>%
      mutate(country_name = country_names[iso3]) %>%
      select(
        iso = iso3,
        lat = lat,
        lng = lon,
        country_name
        )
    
    # CARREGAMENTO DOS DADOS DESAGREGADOS
    
    # Lista de arquivos desagregados (HS 4 dígitos)
    comtrade_files <- c(
      "comtrade 7201-7210.csv",
      "comtrade 7211-7220.csv",
      "comtrade 7221-7229.csv",
      "comtrade 7301-7310.csv",
      "comtrade 7311-7320.csv",
      "comtrade 7321-7326.csv"
    )
    
    # Função para ler cada arquivo
    read_comtrade_file <- function(filename) {
      filepath <- file.path(base_dir, filename)
      
      df <- read_csv(filepath,
                     col_types = cols(.default = col_character()),
                     na = c("", "N/A", "NA"),
                     show_col_types = FALSE) %>%
        mutate(
          refYear = as.numeric(refYear),
          fobvalue = as.numeric(fobvalue),
          cifvalue = as.numeric(cifvalue),
          netWgt = as.numeric(netWgt),
          cmdCode = as.character(cmdCode)
        ) %>%
        select(refYear, reporterISO, partnerISO, flowCode, 
               fobvalue, cifvalue, netWgt, cmdCode) %>%
        distinct()
      
      return(df)
    }
    
    # Ler todos os arquivos
    comtrade_list <- list()
    for(file in comtrade_files) {
      df <- read_comtrade_file(file)
      if(!is.null(df)) {
        comtrade_list[[file]] <- df
      }
    }
    
    # Consolidar
    comtrade_raw <- bind_rows(comtrade_list)
    
    # Processar dados de comércio
    trade_data <- comtrade_raw %>%
      filter(
        reporterISO %in% sample_iso,
        partnerISO %in% sample_iso,
        reporterISO != partnerISO,
        refYear >= 2016,
        refYear <= 2024
      ) %>%
      mutate(
        trade_value = case_when(
          flowCode == "X" & !is.na(fobvalue) ~ fobvalue,
          flowCode == "M" & !is.na(cifvalue) ~ cifvalue,
          flowCode == "M" & is.na(cifvalue) & !is.na(fobvalue) ~ fobvalue,
          flowCode == "X" & is.na(fobvalue) & !is.na(cifvalue) ~ cifvalue,
          TRUE ~ NA_real_
        ),
        trade_quantity_tons = ifelse(!is.na(netWgt) & netWgt > 0, netWgt / 1000, NA_real_),
        exporter = ifelse(flowCode == "X", reporterISO, partnerISO),
        importer = ifelse(flowCode == "X", partnerISO, reporterISO),
        hs_chapter = substr(cmdCode, 1, 2),
        produto = ifelse(hs_chapter == "72", "HS 72 - Básicos", "HS 73 - Manufaturados")
      ) %>%
      filter(!is.na(trade_value), trade_value > 0, exporter != importer) %>%
      select(year = refYear, exporter, importer, hs_chapter, produto, trade_value, trade_quantity_tons) %>%
      group_by(year, exporter, importer, hs_chapter, produto) %>%
      summarise(
        trade_value = sum(trade_value, na.rm = TRUE),
        trade_quantity_tons = sum(trade_quantity_tons, na.rm = TRUE),
        .groups = "drop"
      )
    
    # DADOS DE PRODUÇÃO (World Steel Association)
    steel_path <- file.path(base_dir, "total_prod_cruse_steel_2016_2014.xlsx")
    steel_production <- read_excel(steel_path, skip = 2)
    first_col <- colnames(steel_production)[1]
    steel_production <- steel_production %>%
      rename(country = !!sym(first_col)) %>%
      pivot_longer(cols = -country, names_to = "year", values_to = "production_kt") %>%
      mutate(year = as.numeric(year), production_kt = as.numeric(production_kt)) %>%
      filter(!is.na(year), year >= 2016, year <= 2024)
    
    country_mapping <- c(
      "Brazil" = "BRA", "China" = "CHN", "United States" = "USA",
      "Mexico" = "MEX", "Canada" = "CAN", "South Korea" = "KOR",
      "Germany" = "DEU", "Türkiye" = "TUR", "Turkey" = "TUR",
      "Japan" = "JPN", "India" = "IND"
    )
    
    world_production <- steel_production %>%
      filter(country == "World") %>%
      select(year, world_production_kt = production_kt)
    
    production_data <- steel_production %>%
      mutate(iso = country_mapping[country]) %>%
      filter(!is.na(iso), iso %in% sample_iso) %>%
      left_join(world_production, by = "year") %>%
      mutate(
        # Os dados da World Steel estão em milhares de toneladas (kt)
        # Dividir por 1000 para obter milhões de toneladas (Mt)
        production_mt = production_kt / 1000,
        world_production_mt = world_production_kt / 1000,
        pct_world = (production_kt / world_production_kt) * 100,
        country_name = country_names[iso]
      ) %>%
      filter(!is.na(country_name))
    
    
    # DATASETS DERIVADOS
    
    # Exportações do Brasil
    exports_brasil <- trade_data %>%
      filter(exporter == "BRA", importer != "BRA") %>%
      mutate(
        partner_name = country_names[importer],
        periodo = ifelse(year >= 2018, "Pós-2018", "Pré-2018")
      )
    
    # Importações do Brasil
    imports_brasil <- trade_data %>%
      filter(importer == "BRA", exporter != "BRA") %>%
      mutate(
        partner_name = country_names[exporter],
        periodo = ifelse(year >= 2018, "Pós-2018", "Pré-2018")
      )
    
    # Totais para value boxes
    total_exp <- sum(exports_brasil$trade_value, na.rm = TRUE) / 1e9
    total_imp <- sum(imports_brasil$trade_value, na.rm = TRUE) / 1e9
    saldo_total <- total_exp - total_imp
    prod_media_bra <- production_data %>%
      filter(iso == "BRA") %>%
      summarise(m = mean(production_mt, na.rm = TRUE)) %>%
      pull(m)
    
    # Total quantidade em milhões de toneladas
    total_exp_tons <- sum(exports_brasil$trade_quantity_tons, na.rm = TRUE) / 1e6
    total_imp_tons <- sum(imports_brasil$trade_quantity_tons, na.rm = TRUE) / 1e6
    ```
    
    Visão Geral
    =====================================
    
    Row {data-height=120}
    -------------------------------------
    
    ### Total Exportações Brasil
    ```{r}
    valueBox(sprintf("US$ %.2f bi", total_exp), icon = "fa-arrow-up", color = "success")
    ```
    
    ### Total Importações Brasil
    ```{r}
    valueBox(sprintf("US$ %.2f bi", total_imp), icon = "fa-arrow-down", color = "warning")
    ```
    
    ### Saldo Comercial
    ```{r}
    valueBox(sprintf("US$ %.2f bi", saldo_total),
            icon = ifelse(saldo_total >= 0, "fa-plus-circle", "fa-minus-circle"),
            color = ifelse(saldo_total >= 0, "success", "danger"))
    ```
    
    ### Produção Brasil (Mt/ano)
    ```{r}
    valueBox(sprintf("%.1f Mt", prod_media_bra), icon = "fa-industry", color = "info")
    ```
    
    Row {data-height=450}
    -------------------------------------
    
    ### Gráfico 1: Evolução do Comércio de Aço do Brasil
    
    ```{r}
    # Exportações agregadas por ano
    exp_agg <- exports_brasil %>%
     group_by(year) %>%
     summarise(valor = sum(trade_value, na.rm = TRUE) / 1e6, .groups = "drop")
    
    # Importações agregadas por ano
    imp_agg <- imports_brasil %>%
     group_by(year) %>%
     summarise(valor = sum(trade_value, na.rm = TRUE) / 1e6, .groups = "drop")
    
    # Plotly nativo
    plot_ly() %>%
      add_trace(data = exp_agg, x = ~year, y = ~valor, type = 'scatter', mode = 'lines+markers',
                name = 'Exportações', line = list(color = '#2E86AB', width = 3),
                marker = list(color = '#2E86AB', size = 10)) %>%
      add_trace(data = imp_agg, x = ~year, y = ~valor, type = 'scatter', mode = 'lines+markers',
                name = 'Importações', line = list(color = '#E94F37', width = 3),
                marker = list(color = '#E94F37', size = 10)) %>%
      layout(
        title = list(text = "Evolução do Comércio Brasileiro de Aço (2016-2024)<br><sub>Valores em milhões de USD</sub>"),
        xaxis = list(title = "Ano", tickmode = "linear", tick0 = 2016, dtick = 1),
        yaxis = list(title = "Valor (Milhões USD)", tickformat = ","),
        legend = list(orientation = "h", y = -0.15, x = 0.3),
        shapes = list(
          list(type = "line", x0 = 2018, x1 = 2018, y0 = 0, y1 = max(c(exp_agg$valor, imp_agg$valor)) * 1.05,
               line = list(color = "red", width = 2, dash = "dash"))
        ),
        annotations = list(
          list(x = 2018.3, y = max(c(exp_agg$valor, imp_agg$valor)) * 0.95,
               text = "Guerra<br>Comercial", showarrow = FALSE, font = list(color = "red", size = 12))
        ),
        hovermode = "x unified"
      )
    ```
    
    Row {data-height=430}
    -------------------------------------
    
    ### Gráfico 2: Top Parceiros por Volume Total
    
    ```{r}
    # Top parceiros por volume total (exp + imp)
    top_partners <- trade_data %>%
      filter(exporter == "BRA" | importer == "BRA") %>%
      mutate(
        partner = ifelse(exporter == "BRA", importer, exporter),
        flow_type = ifelse(exporter == "BRA", "Exportação", "Importação")
      ) %>%
      group_by(partner, flow_type) %>%
      summarise(valor = sum(trade_value) / 1e6, .groups = "drop")
    
    plot_ly(top_partners, 
            x = ~valor, 
            y = ~reorder(partner, valor),
            color = ~flow_type,
            type = 'bar',
            orientation = 'h') %>%
      layout(
        title = "Principais Parceiros Comerciais do Brasil em Aço (2016-2024)",
        xaxis = list(title = "Valor (Milhões USD)"),
        barmode = 'group'
      )
    ```
    
    ### Gráfico 3: Impacto - Pré vs Pós Guerra Comercial
    
    ```{r}
    compare_data <- bind_rows(
     exports_brasil %>% mutate(fluxo = "Exportação"),
     imports_brasil %>% mutate(fluxo = "Importação")
    ) %>%
     group_by(periodo, fluxo) %>%
     summarise(
       valor_total = sum(trade_value, na.rm = TRUE),
       n_anos = n_distinct(year),
       valor_medio = valor_total / n_anos / 1e6,
       .groups = "drop"
     )
    
    # Variação percentual
    var_pct <- compare_data %>%
     select(periodo, fluxo, valor_medio) %>%
     pivot_wider(names_from = periodo, values_from = valor_medio) %>%
     mutate(variacao = (`Pós-2018` / `Pré-2018` - 1) * 100)
    
    var_exp <- var_pct$variacao[var_pct$fluxo == "Exportação"]
    var_imp <- var_pct$variacao[var_pct$fluxo == "Importação"]
    
    pre <- compare_data %>% filter(periodo == "Pré-2018")
    pos <- compare_data %>% filter(periodo == "Pós-2018")
    
    plot_ly() %>%
      add_trace(data = pre, x = ~fluxo, y = ~valor_medio, type = 'bar', name = 'Pré-2018',
                marker = list(color = '#7570b3'),
                text = ~paste0(round(valor_medio, 0), " mi"), textposition = 'outside') %>%
      add_trace(data = pos, x = ~fluxo, y = ~valor_medio, type = 'bar', name = 'Pós-2018',
                marker = list(color = '#1b9e77'),
                text = ~paste0(round(valor_medio, 0), " mi"), textposition = 'outside') %>%
      layout(
        title = list(text = paste0("Impacto Quantitativo da Guerra Comercial<br><sub>Exportação: ", 
                                   sprintf("%+.1f%%", var_exp), 
                                   " | Importação: ", sprintf("%+.1f%%", var_imp), "</sub>")),
        xaxis = list(title = ""),
        yaxis = list(title = "Milhões USD/ano (média)", tickformat = ","),
        barmode = 'group',
        legend = list(orientation = "h", y = -0.15, x = 0.3)
      )
    ```
    
    Mapa Interativo
    =====================================
    
    Row {data-height=80}
    -------------------------------------
    
    ### Sobre o Mapa
    
    O mapa mostra os fluxos comerciais de aço do Brasil (2016-2024). Tamanho dos círculos = volume de comércio. **Azul** = superávit do Brasil, **Vermelho** = déficit. Clique nos marcadores para detalhes.
    
    Row {data-height=920}
    -------------------------------------
    
    ### Mapa de Fluxos Comerciais do Brasil
    
    ```{r}
    # Totais por parceiro
    exp_totals <- exports_brasil %>%
     group_by(importer) %>%
     summarise(
       export_value = sum(trade_value, na.rm = TRUE) / 1e6,
       export_tons = sum(trade_quantity_tons, na.rm = TRUE) / 1e3,
       .groups = "drop") %>%
     rename(iso = importer)
    
    imp_totals <- imports_brasil %>%
     group_by(exporter) %>%
     summarise(
       import_value = sum(trade_value, na.rm = TRUE) / 1e6,
       import_tons = sum(trade_quantity_tons, na.rm = TRUE) / 1e3,
       .groups = "drop") %>%
     rename(iso = exporter)
    
    map_data <- country_coords %>%
     left_join(exp_totals, by = "iso") %>%
     left_join(imp_totals, by = "iso") %>%
     mutate(
       export_value = replace_na(export_value, 0),
       import_value = replace_na(import_value, 0),
       export_tons = replace_na(export_tons, 0),
       import_tons = replace_na(import_tons, 0),
       total_trade = export_value + import_value,
       saldo = export_value - import_value,
       popup_text = paste0(
         "<b>", country_name, "</b><br>",
         "Exportações BRA→", iso, ": US$ ", format(round(export_value, 1), big.mark = ","), " mi",
         " (", format(round(export_tons, 0), big.mark = ","), " mil t)<br>",
         "Importações ", iso, "→BRA: US$ ", format(round(import_value, 1), big.mark = ","), " mi",
         " (", format(round(import_tons, 0), big.mark = ","), " mil t)<br>",
         "<b>Saldo: US$ ", format(round(saldo, 1), big.mark = ","), " mi</b>"
       )
     ) %>%
     filter(iso != "BRA", total_trade > 0)
    
    brasil_data <- country_coords %>% filter(iso == "BRA")
    
    leaflet() %>%
     addTiles() %>%
     setView(lng = -40, lat = 10, zoom = 2) %>%
     addCircleMarkers(
       data = brasil_data,
       lng = ~lng, lat = ~lat, radius = 20,
       color = "#009C3B", fillColor = "#009C3B", fillOpacity = 0.8,
       popup = "<b>BRASIL</b><br>País de referência"
     ) %>%
     addCircleMarkers(
       data = map_data,
       lng = ~lng, lat = ~lat,
       radius = ~pmin(sqrt(total_trade) / 3 + 5, 25),
       color = ~ifelse(saldo > 0, "#2E86AB", "#E94F37"),
       fillColor = ~ifelse(saldo > 0, "#2E86AB", "#E94F37"),
       fillOpacity = 0.7,
       popup = ~popup_text,
       label = ~country_name
     ) %>%
     addLegend(
       position = "bottomright",
       colors = c("#009C3B", "#2E86AB", "#E94F37"),
       labels = c("Brasil", "Superávit BR", "Déficit BR"),
       title = "Saldo Comercial", opacity = 0.8
     )
    ```
    
    Análise Detalhada
    =====================================
    
    Row
    -------------------------------------
    
    ### Tabela Interativa: Fluxos Comerciais por País e Produto
    
    ```{r}
    # Agregações com quantidade
    exp_agg_tab <- exports_brasil %>%
     group_by(partner_name, produto) %>%
     summarise(
       valor_exp = sum(trade_value, na.rm = TRUE),
       tons_exp = sum(trade_quantity_tons, na.rm = TRUE),
       .groups = "drop"
     )
    
    imp_agg_tab <- imports_brasil %>%
     group_by(partner_name, produto) %>%
     summarise(
       valor_imp = sum(trade_value, na.rm = TRUE),
       tons_imp = sum(trade_quantity_tons, na.rm = TRUE),
       .groups = "drop"
     )
    
    tabela <- full_join(exp_agg_tab, imp_agg_tab, by = c("partner_name", "produto")) %>%
     mutate(
       valor_exp = replace_na(valor_exp, 0),
       valor_imp = replace_na(valor_imp, 0),
       tons_exp = replace_na(tons_exp, 0),
       tons_imp = replace_na(tons_imp, 0),
       saldo = valor_exp - valor_imp
     ) %>%
     filter(!is.na(partner_name)) %>%
     arrange(desc(valor_exp + valor_imp)) %>%
     mutate(
       `País` = partner_name,
       `Produto` = produto,
       `Exp (Mi USD)` = round(valor_exp / 1e6, 1),
       `Imp (Mi USD)` = round(valor_imp / 1e6, 1),
       `Exp (mil t)` = round(tons_exp / 1e3, 0),
       `Imp (mil t)` = round(tons_imp / 1e3, 0),
       `Saldo (Mi USD)` = round(saldo / 1e6, 1)
     ) %>%
     select(`País`, `Produto`, `Exp (Mi USD)`, `Exp (mil t)`, `Imp (Mi USD)`, `Imp (mil t)`, `Saldo (Mi USD)`)
    
    DT::datatable(
     tabela,
     options = list(
       pageLength = 15, 
       scrollX = TRUE, 
       dom = 'frtip',
       language = list(
         search = "Buscar:",
         lengthMenu = "Mostrar _MENU_ linhas",
         info = "Mostrando _START_ a _END_ de _TOTAL_ linhas",
         paginate = list(previous = "Anterior", `next` = "Próximo")
       )
     ),
     rownames = FALSE,
     filter = 'top',
     caption = "Fluxos comerciais de aço do Brasil (2016-2024) - Use os filtros acima para explorar os dados"
    ) %>%
     DT::formatStyle('Saldo (Mi USD)',
                     color = DT::styleInterval(0, c('#E94F37', '#2E86AB')),
                     fontWeight = 'bold')
    ```
    
    Conclusões
    =====================================
    
    Row
    -------------------------------------
    
    ### Principais Conclusões
    
    **Contexto**
    
    Este dashboard analisa o comércio brasileiro de produtos siderúrgicos (HS 72 - Ferro e Aço básicos, e HS 73 - Obras de Ferro e Aço manufaturados) no período 2016-2024, abrangendo o período anterior e posterior à guerra comercial EUA-China iniciada em março de 2018.
    
    A análise utiliza **dados desagregados** em nível HS 4-dígitos de 10 países que representam aproximadamente 75% do comércio mundial de aço.
    
    ---
    
    **Estrutura do Dashboard**
    
    - **4 Value Boxes:** Indicadores-chave do comércio brasileiro
    - **3 Gráficos Interativos:** Evolução temporal, principais parceiros comerciais, e impacto quantitativo
    - **1 Mapa Interativo:** Visualização geográfica dos fluxos comerciais
    - **1 Tabela Dinâmica:** Dados detalhados por país e produto com filtros
    
    ---
    
    **Principais Achados**
    
    1. **Impacto Quantitativo da Guerra Comercial:**
       - **Exportações:** Aumento de 52.7% após 2018, impulsionado pelo acordo de cotas com os EUA
       - **Importações:** Aumento de 52.5% após 2018, principalmente devido ao desvio de comércio chinês
    
    2. **Principais Fluxos Bilaterais:**
       - **Brasil → EUA:** Principal destino das exportações brasileiras de aço
       - **China → Brasil:** Principal origem das importações, com crescimento expressivo pós-2018
    
    3. **Decomposição Quantidade-Preço:**
       - Aproximadamente **90-92% do aumento** representa volume físico real
       - Apenas 8-10% é explicado por variação de preços (inflação)
    
    4. **Composição por Produto:**
       - Produtos básicos (HS 72) dominam as exportações brasileiras
       - Produtos manufaturados (HS 73) têm maior participação nas importações
    
    5. **Posição do Brasil:**
       - 9º maior produtor mundial de aço
       - Produção média de ~33 milhões de toneladas/ano
       - Representa cerca de 1.8% da produção mundial
    
    ---
    
    **Evidência de Trade Diversion**
    
    O dashboard mostra claramente dois mecanismos de **desvio de comércio** (trade diversion):
    
    - **Trade creation:** Brasil aumentou exportações para EUA após tarifas sobre China
    - **Trade deflection:** China redirecionou exportações bloqueadas nos EUA para mercados alternativos, incluindo Brasil
    
    ---
    
    **Fontes de Dados**
    
    - **UN COMTRADE:** Fluxos bilaterais de comércio - dados desagregados HS 4-dígitos  
      Acesso: https://comtradeplus.un.org/ (consultado em outubro de 2025)
    
    - **World Steel Association:** Produção de aço por país (2016-2024)  
      Acesso: https://worldsteel.org/ (consultado em outubro de 2025)
    
    - **CEPII GeoDist:** Coordenadas geográficas das capitais e distâncias bilaterais  
      Acesso: https://www.cepii.fr/CEPII/en/bdd_modele/bdd_modele_item.asp?id=41 (consultado em setembro de 2025)
    
    
    ---
    
    **Referências Acadêmicas**
    
    - Amiti, M., Redding, S. J., & Weinstein, D. E. (2019). The Impact of the 2018 Tariffs on Prices and Welfare. *Journal of Economic Perspectives*, 33(4), 187-210.
    
    - Fajgelbaum, P. D., Goldberg, P. K., Kennedy, P. J., & Khandelwal, A. K. (2020). The Return to Protectionism. *Quarterly Journal of Economics*, 135(1), 1-55.
    
    ---